科学计算的性能和准确性是相互竞争的方面。计算方案的设计和实现之间的密切相互作用可以通过更好地利用可用资源来改善这两个方面。本文描述了强量化下鲁棒方案的设计及其在基于数据流的PDE图像处理体系结构上的硬件高效实现。强大的量化提高了执行时间，但使传统的错误估计变得无用。数值格式的精度太小，无法控制迭代格式中的定量误差。相反，构造了保持连续模型定性行为的量化方案。特别是对于量化各向异性扩散模型的解，可以导出一个与连续尺度空间具有几乎相同性质的量化尺度空间。因此，尽管从长远来看无法控制误差，但仍能准确地重建图像演化，即使是高精度计算也很困难。如今，所有内存密集型算法都面临着内存缺口问题，这将极大地降低性能。基于指令流的计算范式再次引发了这一问题，而订阅基于数据流的计算的体系结构则为弥合内存和逻辑性能之间的差距提供了更多可能性。此外，这些设备还具有更多的并行性。这类架构包括三种：图形硬件、可重构逻辑和可重构计算设备。它们允许利用图像处理应用程序中固有的并行性，并应用内存高效使用。讨论了它们的优缺点和未来发展。稳健的量化方案和硬件高效的实现相结合，可准确再现连续演化，并获得相对于标准软件解决方案的显著性能提升。应用设备可在价格合理的AGP/PCI板上使用，即使是小型多处理器系统也能提供真正的替代品。
